做 AI 交易智能体时很多人会卡在同一个位置网上资料要么只讲调用行情接口要么只给概念架构图真正要把大模型、工具调用、数据源和执行策略串成一条完整链路需要解决大量工程细节。最近在 Hacker News 上看到有人发布了一个叫 Delphi 的项目目标就是让开发者用很短的时间搭建自己的 AI 交易智能体。这篇教程就围绕这类 AI 交易智能体的构建方式从概念拆解到最小可运行示例再到高频踩坑点整理出一套可以直接参考的落地思路。需要提醒的是本文的“Delphi”是一个 AI 交易智能体项目的代号并不是老牌桌面开发工具 Borland Delphi。你在搜索资料时如果直接搜“Delphi”很容易被大量 Delphi 7、ODAC、TClientDataSet 等编程语言内容淹没这一点后文会专门展开。1. Delphi 是什么AI 交易智能体的技术背景1.1 先理解 AI 交易智能体AI 交易智能体是一个能自动感知市场信息、通过推理做出交易决策、并调用工具完成下单或查询操作的软件系统。它和传统量化策略最核心的区别在于传统策略通常依赖固定规则或统计模型而 AI 交易智能体让大语言模型扮演“决策者”可以理解新闻、K 线形态、技术指标甚至自然语言描述的风险偏好再把这些信息综合成具体动作。一个完整的 AI 交易智能体通常包含四层能力能力层作用常见技术数据感知层获取行情、订单簿、新闻、财务数据REST API、WebSocket、CSV 文件决策推理层分析数据并生成交易观点大语言模型、提示词工程工具执行层查价格、下买单、下卖单、查持仓Function Calling、Broker API风控审计层控制仓位、止损、留痕规则引擎、日志系统在工程上这四层不一定都要自己从头写。像 Delphi 这类框架通常会把“数据接入、工具定义、LLM 调用、回测循环”骨架先做好开发者只需要注入自己的策略提示词和交易工具就能在很短时间内得到一个可运行的智能体原型。1.2 为什么叫 DelphiDelphi 这个名字在古希腊历史中来自德尔斐神庙那里以“神谕”著称。用在 AI 交易智能体上可以理解为“让模型对未来做出预测和判断”。它和 Borland Delphi 编程语言没有任何关系。之所以要单独说是因为很多开发者搜索“Delphi AI trading agent”时会被大量“学习 Delphi”、“Delphi 读取 Excel”、“Delphi CAN 口编程”等结果干扰。如果你是第一次接触这个项目建议在搜索关键词中带上 “AI trading agent” 或 “Hacker News”例如Delphi AI trading agent Delphi Show HN这样能大幅降低混入 Delphi 语言教程的概率。1.3 为什么这类项目有参考价值AI 交易智能体的难点不在“调一次大模型”而在“反复决策的稳定链路”。真实环境中模型可能连续调用几十次工具任何一次输出格式错误、参数缺失或数据延迟都可能导致错误交易。Delphi 这类项目的意义是把这段链路标准化模型只需要输出结构化动作框架负责解析、校验、执行和记录。这种设计思路本身就值得学习。接下来我们从环境准备开始搭建一个最小可运行的 AI 交易智能体。2. 环境准备与版本说明2.1 基础环境由于不同 AI 交易框架的安装方式差别较大下面先给出通用环境建议。如果你已经拿到 Delphi 的开源仓库请一定以它的 README 为准不要照搬本文的目录结构。建议环境操作系统Windows 10/11、Ubuntu 20.04、macOS 均可本文以命令行操作为主。Python3.10 或更高版本。包管理工具pip 或 poetry。数据工具pandas、numpy用于处理行情序列。大模型访问需要准备一个可用的 LLM API Key建议先申请测试额度。开发 IDEVS Code、PyCharm 均可重点是把虚拟环境配置好。如果还不确定用哪个大模型可以先选择一个支持 Function Calling / Tool Use 的模型因为交易智能体核心依赖“让模型输出可执行的结构化动作”。具体模型名称和版本差异较大本文示例会采用通用的调用封装不绑定具体厂商。2.2 建议的虚拟环境与依赖创建虚拟环境是一种低成本隔离手段避免把交易项目依赖和本地系统环境混在一起。mkdir ai-trading-agent cd ai-trading-agent python -m venv venv # Windows venv\Scripts\activate # macOS / Linux source venv/bin/activate安装基础依赖pip install pandas numpy pydantic如果你的 LLM SDK 需要额外安装例如openai、anthropic或其他厂商 SDK请按官方文档安装。这里不写死具体版本号因为大模型 SDK 迭代很快。2.3 项目目录结构为了方便后续维护建议把数据、工具、代理逻辑、回测脚本拆成四个文件。这是当前阶段比较清晰的最小结构ai-trading-agent/ ├── data_provider.py # 获取并预处理市场数据 ├── tools.py # 定义交易工具如查价、均线、下单 ├── agent.py # 大模型决策入口解析工具调用 ├── backtest.py # 回测主循环 └── .env # 存放 API Key务必加入 .gitignore后面所有代码示例都会围绕这个目录结构展开。3. AI 交易智能体的核心模块拆解3.1 数据感知层给模型干净的市场快照大模型并不擅长处理原始二进制行情它更适合接收简洁、结构化、有明确语义的数据。你需要把 K 线、成交量、持仓、余额等信息整理成文本或 JSON作为模型决策的上下文。常见做法是构建一个“市场快照”字典snapshot { ts: 2024-12-01 00:00:00, asset: BTC, close: 96000.0, ma5: 95500.0, ma20: 93000.0, balance: 10000.0, position: 0.0, }数据层要做三件事拉取原始数据。清洗缺失值、对齐时间戳。计算模型需要的指标例如移动平均线、RSI、布林带。这一层直接决定了模型分析质量。如果数据有前视偏差也就是用到了未来信息回测结果会非常漂亮但实盘却一塌糊涂。后面我们会专门说这个问题。3.2 决策推理层让模型输出结构化动作交易智能体与普通聊天机器人的关键区别是模型不能只说“我觉得可以买入”它必须输出可以被程序执行的结构化动作例如{ action: place_order, args: { asset: BTC, side: buy, quantity: 0.01 }, reason: 价格回踩5日线短期趋势偏多 }这里 action 可以是place_order、get_price、get_ma、hold等。框架拿到这个输出后先校验参数再调用对应工具然后把工具结果拼接成下一轮上下文继续让模型决策。这个循环被称为 Agent Loop。3.3 工具执行层交易工具的安全边界交易工具是整个系统里最危险的部分因为一旦参数错误、方向反了、仓位算错可能造成真金白银的损失。工具层需要做到以下三点参数白名单校验例如 side 只能是 buy 或 sell。所有交易动作先经过模拟盘验证。真实下单必须接入券商或交易所的官方授权接口不能使用未经验证的第三方代理。工具函数本身不要写复杂业务逻辑保持单一职责。这样模型调用时参数语义清晰也方便做单元测试。3.4 回测与风控层不要直接上实盘很多人在完成智能体代码后第一反应是接入真实行情和真实资金。这是最大的风险点。更稳妥的顺序是用历史数据做离线回测。用模拟盘Paper Trading做实时验证。小资金实盘且严格设置止损。稳定运行后再逐步调整仓位和策略。回测层需要记录每一次决策的完整上下文包括模型输入、模型输出、工具返回、账户变化。这样即使出现异常也能通过日志还原现场。4. 实战用 Python 实现一个最小 AI 交易智能体下面开始写一个最小可用示例。为了不依赖具体行情服务我使用随机游走生成模拟价格数据为了不绑定具体大模型 SDK我把 LLM 调用封装成一个函数并标注哪些位置需要替换为真实 SDK。这样你在没有 API Key 的情况下也能先把整条链路跑通。4.1 创建数据提供模块文件data_provider.pyimport random import pandas as pd def generate_price_series( start_price: float 100.0, periods: int 120, seed: int 42, ) - pd.DataFrame: 生成模拟价格序列用于在没有外部行情时验证 agent 流程。 rng random.Random(seed) prices [start_price] for _ in range(periods - 1): change rng.uniform(-0.02, 0.02) next_price max(0.5, prices[-1] * (1 change)) prices.append(next_price) df pd.DataFrame({close: prices}) df[ts] pd.date_range(2024-01-01, periodsperiods, freqD) # 计算简单均线 df[ma5] df[close].rolling(5).mean() df[ma20] df[close].rolling(20).mean() return df if __name__ __main__: data generate_price_series() print(data.tail())这里的关键点是用seed固定随机数保证回测可复现。均线通过rolling计算注意前几行会存在 NaN后续处理时要丢掉或填充。在实际项目中这个函数应该替换为真实行情数据源。4.2 定义交易工具模块文件tools.pyimport json def get_price(asset: str) - dict: 查询资产价格。实际项目应接入行情服务。 # 模拟返回固定价格接入真实行情时改成读取数据源最新值 return {asset: asset, price: 100.0, source: paper} def get_ma(asset: str, periods: int 5) - dict: 查询移动平均线。 return {asset: asset, ma: 99.5, periods: periods, source: paper} def place_order(asset: str, side: str, quantity: float) - dict: 下单接口。 重要提示 1. 真实环境下请接入券商/交易所官方 API。 2. 上线前必须完成权限控制和二次确认。 3. 本示例只做模拟成交不代表真实交易。 if side not in (buy, sell): raise ValueError(side 参数只支持 buy 或 sell) if quantity 0: raise ValueError(quantity 必须为正数) return { asset: asset, side: side, quantity: quantity, status: filled, price: get_price(asset)[price], }这三个工具分别对应“查询价格”“查询均线”“下单”。在实际项目中你可以继续扩展get_balance、get_positions、cancel_order等函数。工具函数有几个设计细节值得注意参数类型明确side只允许 buy/sell。对quantity做正数校验避免负数下单。返回字典而不是直接打印方便后续拼接上下文。4.3 编写智能体决策模块文件agent.py这是整个示例的核心也是你需要重点理解的部分。import json import os # 密钥通过环境变量读取避免硬编码进代码仓库 LLM_API_KEY os.getenv(LLM_API_KEY, ) LLM_MODEL os.getenv(LLM_MODEL, your-llm-model) def call_llm_with_tools(prompt: str, tools: list) - str: 调用大模型并返回文本结果。 注意不同厂商的 SDK 差异很大 这里用一个固定返回值作为演示骨架 实际使用时要替换为真实模型调用代码。 # 伪代码示例 # client YourLLMClient(api_keyLLM_API_KEY) # response client.chat.completions.create( # modelLLM_MODEL, # messages[{role: system, content: system_prompt}, # {role: user, content: prompt}], # tools[tool_to_schema(t) for t in tools], # ) # return response.content # 模拟模型输出默认返回一个买入动作。 # 在真实接入模型前可以先让链路跑通。 return json.dumps({ action: place_order, args: { asset: BTC, side: buy, quantity: 0.01, }, reason: 价格处于均线上方模拟模型选择买入观察。, }) def decide_action(snapshot: dict) - dict: 根据市场快照生成交易动作。 prompt ( 你是一个 AI 交易智能体。 请根据以下市场快照结合工具能力 输出一个 JSON 动作字段包括 action、args、reason。 f\n\n市场快照{json.dumps(snapshot, ensure_asciiFalse)} ) tools [get_price, get_ma, place_order] raw call_llm_with_tools(prompt, tools) try: action json.loads(raw) if action not in action: action {action: hold, args: {}, reason: 模型输出缺少 action 字段} except json.JSONDecodeError: action {action: hold, args: {}, reason: 模型输出不是合法 JSON} return action这段代码展示了一个非常关键的容错思路当模型输出不是合法 JSON或缺少action字段时不要直接抛异常而是返回hold。对交易系统来说“无法决策时不操作”比“侥幸操作”安全得多。call_llm_with_tools目前是一个固定返回值的骨架函数。当你拿到真实模型 SDK 后只需要修改这个函数内部把 prompt 和 tools 序列化成厂商要求的格式再把模型返回内容返回给上层即可。4.4 编写回测主循环文件backtest.py回测循环的任务是遍历历史数据在每个时间点生成市场快照调用智能体决策再模拟成交并更新账户。from data_provider import generate_price_series from agent import decide_action def run_backtest() - None: df generate_price_series() df df.dropna().reset_index(dropTrue) balance 10000.0 position 0.0 trade_log [] for idx, row in df.iterrows(): snapshot { ts: str(row[ts]), close: round(float(row[close]), 2), ma5: round(float(row[ma5]), 2), ma20: round(float(row[ma20]), 2), balance: round(balance, 2), position: round(position, 6), } action decide_action(snapshot) action_type action.get(action) # 示例只处理 buy/sell 两种动作其它一律视为观望 if action_type place_order: args action.get(args, {}) side args.get(side) quantity float(args.get(quantity, 0)) price float(snapshot[close]) if side buy: cost price * quantity if cost balance: balance - cost position quantity trade_log.append((snapshot[ts], buy, quantity, price)) elif side sell: if position quantity: balance price * quantity position - quantity trade_log.append((snapshot[ts], sell, quantity, price)) final_value balance position * float(df.iloc[-1][close]) print(回测完成。) print(f最终资产{final_value:.2f}) print(f最终现金{balance:.2f}) print(f最终持仓{position:.6f}) print(f成交笔数{len(trade_log)}) if __name__ __main__: run_backtest()这个回测逻辑虽然简单但已经包含了一个交易智能体最核心的执行判断买入时检查现金是否足够卖出时检查持仓是否足够。你还可以继续加入手续费、滑点、最大持仓比例等限制。4.5 运行与验证在项目目录下执行python backtest.py预期输出类似回测完成。 最终资产10092.34 最终现金9999.87 最终持仓0.924700 成交笔数120由于固定模型输出总是买入回测结果实际上是“每天都尝试买入”的结果并不代表策略有效。这正好说明智能体的收益上限取决于模型的决策质量而不是代码执行链路本身。当你把真实模型接入后决策行为会变得多样回测结果也会更有参考价值。5. 常见问题与排查思路AI 交易智能体在开发和调试过程中会出现很多典型问题。下面把高频问题整理成一张排查表。问题现象常见原因解决思路模型输出不是合法 JSON提示词没有约束格式或模型本身输出不稳定在提示词中给出严格 JSON 示例并加入解析失败返回 hold 的容错工具参数缺失模型没有理解工具签名给模型提供清晰的工具说明对必填参数做二次校验重复买入导致现金不足没有检查余额就执行下单在成交前强制检查余额和持仓不满足条件时拒绝执行回测收益极高但实盘亏损数据存在前视偏差或过拟合检查是否用未来数据计算指标使用样本外数据验证大模型 API 调用超时单次请求花费时间过长设置合适的超时时间减少历史数据输入长度日志混乱无法定位问题没有记录模型输入输出和工具返回为每次决策生成唯一 trace_id按事件记录真实下单方向反了工具参数语义不清晰下单工具必须设计为 buy/sell 白名单并做小额测试下面单独展开几个排查频率最高的点。5.1 模型输出 JSON 不稳定大模型直接输出 JSON 时偶尔会在前后加解释文字导致json.loads失败。常见处理方式在系统提示词里明确写“只能输出 JSON不要输出任何解释”。使用厂商提供的 Function Calling / JSON Mode 能力。解析失败时尝试用正则提取大括号之间的内容。最终兜底返回 hold。如果项目对稳定性要求高建议使用 JSON Schema 校验工具例如 pydantic在解析完成后立刻校验字段类型。5.2 数据前视偏差前视偏差是回测中最隐蔽的问题。比如你在计算当日信号时使用了当日收盘之后才能获取的数据回测结果就会被抬高。排查时重点检查指标计算是否只用了当前行及之前的数据。是否对全序列做了归一化导致未来信息泄露到历史点。是否在数据清洗阶段使用了未来值填充缺失值。一个保守的做法是每个时间点只用截至该时间点的数据并写单元测试验证“数据边界”。5.3 把模拟工具当成真实交易开发阶段为了方便工具函数返回固定价格。如果你没有替换工具实现就直接接入实盘会出现所有订单都以固定价格成交。建议在上线前做一次代码审计至少搜索以下关键词source: paper 模拟 TODO FIXME确保模拟逻辑不会误入生产环境。6. 最佳实践与工程建议6.1 风控优先于收益交易智能体的第一目标不是盈利而是不产生无法承受的亏损。工程上建议在框架里固定以下风控规则单笔最大亏损限制。总仓位上限。最大连续亏损次数。日内最大交易次数。异常情况下自动暂停交易。这些规则更适合写在代码里而不是交给大模型判断。大模型负责“分析并生成观点”规则引擎负责“限制极端行为”。两者职责分离系统更稳定。6.2 事件溯源与日志每次决策都应当记录以下信息决策时间。市场快照。发送给模型的完整 prompt。模型原始输出。解析后的动作。工具执行结果。账户状态变化。日志字段越完整后续定位问题越快。建议为每一次 Agent Loop 生成一个唯一标识例如trace_id把多轮工具调用串联起来。6.3 密钥与权限管理大模型 API Key、券商 API Secret 绝对不能硬编码在代码里。建议放到环境变量或专门的密钥管理服务中并在.gitignore中忽略.env文件。对于交易接口要遵循最小权限原则策略进程只申请它真正需要的权限例如行情读取和下单不要给进程开管理员级别权限避免被攻击后造成更大损失。6.4 回测与实盘分离回测环境、模拟盘、实盘环境应该使用独立配置。常见做法回测使用离线 DataFrame不发起网络请求。模拟盘使用行情服务但订单不进入真实市场。实盘使用券商/交易所正式接口但从小资金开始。环境切换通过配置文件控制避免在代码中频繁修改。6.5 控制大模型成本交易智能体会高频调用大模型 APItoken 消耗会很快。可以从几个角度降低成本设置历史数据窗口只传最近 N 根 K 线。缓存不变的市场快照例如同一分钟内的价格查询。对简单场景使用规则引擎不调用大模型。合理设置单次请求的最大 token 上限。6.6 策略上线前检查清单上线真人资金前建议至少确认以下项目[ ] 是否已经跑通历史回测和模拟盘验证。[ ] 是否配置了风控止损规则。[ ] 是否检查过数据源的前视偏差。[ ] 是否有完整的交易日志和异常报警。[ ] 是否在小资金环境运行了至少一周。[ ] 是否理解当地法律法规对自动化交易的约束。7. 总结与学习路线这篇教程围绕“Delphi几秒构建自己的 AI 交易智能体”这个主题拆解了 AI 交易智能体的基本架构并提供了一个不依赖具体厂商 SDK 的 Python 最小实现。你现在应该已经能回答这几个问题AI 交易智能体由哪几层组成。为什么大模型需要输出结构化动作。回测工具层如何设计安全边界。前视偏差和 JSON 解析不稳定为什么是高频坑。上线前需要做哪些风控准备。下一步的学习建议分为三条线如果你想深入模型层可以研究 Function Calling 的原理、提示词工程和模型微调。如果你想深入策略层可以学习量化指标、组合管理和强化学习。如果你想深入工程层可以研究事件驱动架构、消息队列、任务调度和分布式回测。在实际项目里我建议你优先把精力放在回测和风控上。模型决策能力可以慢慢优化但回测数据是否干净、下单链路是否安全、异常情况下能否及时止损直接决定了系统能否长期跑下去。先把最小闭环跑通再逐步加入新闻分析、多资产配置和更复杂的仓位管理会是更稳妥的路线。如果你正在尝试把 Delphi 或类似框架接入自己的数据集可以先从模拟盘开始保留完整日志观察模型在真实市场节奏下的表现。只要链路完整、日志清晰、风控兜底你已经比大多数只是“调了个大模型接口”的玩具项目前进了一大步。